افسر امور مالی برای زندگی رئیس ارشد اتوماسیون مرده است: چه Openai ، Rippling و Gorgias برای AI خوب (و اشتباه) می شود
بوها Saaster AI + اجلاس سالانه غواصی عمیق در نحوه عملکردهای مالی Openai ، Ripling ، Snaplogic و Gorgias و خطاهای مهم که حتی شرکت های اول AI نیز انجام می دهند
تابلو: به روز شده توسط لوبو -Boast.ai CO -founder و نویسنده “از سطح پایین تا عظمت”
- ساوما رانگاناتان کنترلر bivchet در Openai و موج دار
- آهسان مالک – افسر امور مالی در Snaplogic ، مالی سابق VP در Bluejeans
- کنگره -افسر مالی Gorgias (نرم افزار پشتیبانی مشتری الکترونیکی) ، معاون رئیس جمهور پیشین در NAVAN
https://www.youtube.com/watch؟v=K48EAJS4UPO
زمان QUOTATIMI
Sowmya Ranganathan (کنترل کننده سابق ، OpenAI): “99 ٪ از درآمد GAAP از نوار به Netsuite کنترل نمی شود.
Ahsan Malik (Snaplogic): “در پایان ، ما اساساً یک روز و نیم از نزدیک به هوش مصنوعی را کاهش داده ایم و مهمتر از همه ، درآمدهایی می یابیم که اساساً در حال انقضا است – چیزهایی که حق داشتیم که ما باید متهم شویم.”
Kunal Agarwal (Gorgias): “من تلاش می کنم سوئیس باشم ، بنابراین سعی می کنم چیزی شبیه به یک حزب خنثی باشم … من به عنوان یک مدیر ارشد حسابداری نقش خود را به نظر می رسم.”
این رهبران مالی در واقع چه چیزی را ایجاد کردند
Openai: 10 تا 45 نفر ، نه 300
هنگامی که Sowmya در مارس 2023 به Openai پیوست (ماه Chatgpt Plus آغاز شد) ، تیم مالی 10 نفر بود. تا مارس 2025 ، آنها به 45 پوند در کل (30 حسابداری ، 15 امور مالی) افزایش یافتند. اما شرکت های قابل مقایسه معمولاً 200-300 تیم مالی انسانی را مدیریت می کنند.
برنده اتوماسیون: آنها ابتدا سخت ترین مشکلات را خودکار کردند:
- اتوماسیون درآمد: 99 ٪ بدون لمس از نوار به netsuite
- گزارش هزینه یک پردازنده گرافیکی: از 15 روز تا تابلوهای کنترل زمان واقعی
- راه حل پایتون: آموزش CPA برای برنامه نویسی با استفاده از ChatGPT
جزئیات کلیدی: گزارش های لاجورد GPU آنها از صفحه گسترده قابل کنترل به 9 میلیون ردیف در ماه بعد از گپ شروع شده است. اکسل به معنای واقعی کلمه نتوانست کنار بیاید (حد 1 متر). تصمیم؟ Chatgpt به آنها کمک کرد تا اسکریپت های پایتون را بنویسند ، که 10 ثانیه قبل از آن 10-15 روز طول کشید.
Snaplogic: یافتن درآمد پنهان از طریق نمایندگان هوش مصنوعی
به عنوان یک تجارت 100 میلیون دلاری+ ARR ، Snaplogic Lean را مدیریت می کند: 4 نفر در امور مالی ، 8 نفر در حسابداری. اما آنها قبل از فروش بیرون ، اولین عامل زنده هوش مصنوعی خود را آشکار کردند.
مورد دستیابی به موفقیت: فرم سفارش را آشتی دهید
- مشکل: داده های بدون ساختار از Salesforce ، PDFS ، DocUsign ، اسناد مشتری
- تصمیم: عامل هوش مصنوعی که از نزدیک 1.5 روز کاهش یافته و نشت درآمد را پیدا کرده است
- انبساط: تجزیه و تحلیل قرارداد حقوقی برای بندهای خاتمه
بینش کلیدی: CTO آنها آن را میخکوب کرد: “موارد مورد استفاده در افراد و فرآیندها است.” شما نمی توانید راه حل های AI را در خارج از قفسه خریداری کنید – آنها از نقاط درد خاص شما بیرون می آیند.
Gorgias: استراتژی تأمین مالی ابتدا
رویکرد Kunal به Gorgias (نرم افزار پشتیبانی الکترونیکی) متفاوت است: ORG مالی آن شامل 6 FP & A ، 8 حسابداری و 16 تجزیه و تحلیل داده/مهندسی است.
ادعای بحث برانگیز: “داده ها خود چیزی بی فایده هستند. شما باید بتوانید آن را با تاریخ و دیدگاه در مورد معنای آن بپیچید.”
AI آنها برنده می شود:
- تخمین مدل سازی رفتار مشتری برای قیمت گذاری بر اساس استفاده
- ارزیابی خطر برای تیم های موفقیت مشتری
- ارزیابی سرب ورودی با غنی سازی داده های بازار
- لایه معنایی این به س questions الات به زبان انگلیسی معمولی پاسخ می دهد
5 اشتباه مهم که هر بلندگو مرتکب شده است
SOWMYA RANGANATHAN (OpenAi) – اتوماسیون نقاط نابینایان بشارت دهنده
- فروش مجدد داستان “یادگیری CPAS Python” -این در OpenAi با دسترسی نامحدود به استعدادها کار می کند ، اما با سری A ، مدیران مالی صحبت می شود تا حسابداران را به برنامه نویسان تبدیل کنند ، محدودیت های منابع ناشنوا است
- نادیده گرفتن انطباق فیل – بحث صفر در مورد کنترل های SOX ، مسیرهای حسابرسی یا الزامات نظارتی برای اتوماسیون اتوماسیون درآمد
- رد حذف نقش بیش از حد بی دقتی – “ما فقط آنها را به عنوان شروع استخدام نکردیم” هزینه انسانی اتوماسیون را برای تیم های موجود تشخیص نمی دهد
- هیچ اشاره ای به مدیریت تغییر وجود ندارد – چگونه می توانید یک تیم مالی بدست آورید که با هوش مصنوعی راحت باشد وقتی “امور مالی و حسابداران این سبک زندگی را برای ریسک کردن انتخاب نکرده اند”؟
- ساده کردن نیازهای فنی – این که هرکسی بتواند زیرساخت داده OpenAI را فقط با Chatgpt تکرار کند ، گمراه کننده است
Ahsan Malik (Snaplogic) – محصولی که افسر مالی بازی می کند
- اتصال قابلیت های محصول با تخصص مالی – با “ما یک شرکت آژانس هوش مصنوعی هستیم” به جای تأمین اعتبار اعتماد ، اعتماد به نفس را تضعیف می کند
- قاب خطر بیش از حد ساده شده است – ماتریس “ریسک ، تلاش ، ارزش کسب و کار” خوب به نظر می رسد ، اما هیچ دسته خاصی از منابع مالی ریسک (نظارتی ، حسابرسی ، یکپارچگی داده) وجود ندارد
- دست کم گرفتن چالش های مردم – نیازهای مرکز موفقیت بالا را تأیید کرد اما تاکتیک های خاصی برای مدیریت تغییر ارائه نداد
- هیچ پیچیدگی ادغام وجود ندارد – بدون بحث در مورد نقشه برداری داده ها ، اتصالات سیستم یا پروتکل های آزمایش ، استقرار یک عامل را به راحتی صدا کنید
- هیچ حساسیت مشتری ذکر نشده است – برای شرکتی که به مشتریان شرکت می فروشد ، بحث در مورد حمایت از داده های شخصی در گفتگو خیلی دیر شد
کونال (گوردیاس) – شکاف در اجرای استراتژیست سوئیس
- ساخت بیش از حد تیم داده -16 نفر در داده های شرکت مبتنی بر داده ها/تجزیه و تحلیل به جای اتوماسیون عملی ، برچسب طلا را ارائه می دهند
- از نظر فلسفی بیش از حد عملی – به جای برنده شدن در اتوماسیون بتونی ، زمان زیادی را برای “گفتن نظریه داده” صرف کرد
- لایه معنایی – نسخه ی نمایشی “صحبت با پایگاه داده به زبان انگلیسی” چشمگیر به نظر می رسد اما هیچ بحثی در مورد صحت ، محدودیت ها یا موارد شدید وجود ندارد
- اجتناب از مشکلات دشوار هوش مصنوعی و اتوماسیون – من اعتراف کردم که آنها “خیلی زود” بودند ، اما سپس به شرکتهای سری آ مشاوره دادند
- یک استثناء از وضوح نقش – مدیریت سه کارکرد مختلف (امور مالی ، حسابداری ، داده) انتشار مسئولیت پذیری را ایجاد می کند ، نه بی طرفی سوئیس که ادعا می کند
دروس واقعی برای شرکت های B2B
با بزرگترین درد دستی خود که دارای پاسخ های صحیح/اشتباه است شروع کنید:
- OpenAI: توزیع GPU هزینه (9 متر ردیف 10 ثانیه)
- Snaplogic: فرم سفارش را آشتی دهید (1.5 روز پس انداز شده + درآمد یافت شده)
- Gorgias: پیش بینی رفتار مشتری (پیش بینی بهتر)
استراتژی اتوماسیون سه لایه:
- لایه ای از داده ها: یک پایه تمیز ، مقرون به صرفه و قابل اعتماد
- لایه فرآیند: تجزیه و تحلیل کمک کرده است و استثنائات استثنائات
- لایه راه حل: نظارت انسانی با توصیه های هوش مصنوعی
تکامل استخدام (از بین بردن):
- تحلیلگران کمتری که کارهای دستی انجام می دهند
- افراد بیشتری که تحلیل استراتژیک انجام می دهند
- نقش های جدید ترکیبی: متخصصان مالی که می توانند با ابزارهای AI کار کنند
از چه چیزی اجتناب کنید (اشتباهاتی که آنها مرتکب شده اند)
با فناوری شروع نکنید – با درد فرآیند شروع کنید ، سپس ابزار مناسب AI را پیدا کنید
بدون مدیریت خودکار نکنید – هر بلندگو برای مشاهده ، مسیرهای حسابرسی و مدیریت ریسک کافی نیست
از سادگی فروخته نشوید – “فقط از chatgpt استفاده کنید” استراتژی برای عملیات تأمین مالی تجارت نیست
از مدیریت تغییرات غافل نشوید – چالش افراد دشوارتر از چالش فنی است
کارآیی را با کارآیی مرتبط نکنید – بسته شدن سریعتر عالی است ، اما ایجاد استراتژیک بینش ارزش واقعی CFO است
کتاب بازی تاکتیکی: صبح دوشنبه چه کاری باید انجام شود
برای مدیران مالی سری A
ماه 1: ارزیابی
- روند نزدیک خود را حسابرسی کنید: چه چیزی بیش از 2 روز طول می کشد؟
- منابع داده کارت: از کجا می آید؟
- کابوس خود را برای آشتی دستی تعریف کنید
ماه 2: بنیاد
- قبل از ابزارهای AI در پاکیزگی داده ها سرمایه گذاری کنید
- تنظیمات دسترسی صحیح را برای سیستم عامل های AI تنظیم کنید (Chatgpt Enterprise ، نه حساب های رایگان)
- ماتریس خود را برای تحمل ریسک تعریف کنید
ماه 3: اتوماسیون اول
- یک فرآیند را با شاخص های موفقیت آمیز انتخاب کنید
- با 80 ٪ اتوماسیون ، 20 ٪ بررسی انسان شروع کنید
- همه چیز را برای اهداف حسابرسی مستند کنید
برای مدیران مالی در مرحله رشد
قانون 70/20/10:
- 70 ٪ فرآیند اتوماسیون (هماهنگی ، پردازش داده ها)
- 20 ٪ افزایش در تجزیه و تحلیل (پیش بینی ، تجزیه و تحلیل پراکندگی)
- 10 ٪ آزمایش های استراتژیک (مدل سازی پیش بینی)
ساخت در مقابل چارچوب رزومه را بخرید:
- خرید: فرآیندهای استاندارد (کدگذاری کد ، هماهنگی بانکی)
- ساخت و ساز: منطق خاص شرکت (تشخیص درآمد ، توزیع هزینه)
- شریک: تجزیه و تحلیل پیچیده (پیش بینی چرن ، استفاده از پیش بینی)
حقیقت ناراحت کننده در مورد امور مالی AI
بزرگترین چالش: تیم های مالی از نظر فرهنگی در معرض خطر هستند ، اما هوش مصنوعی نیاز به آزمایش دارد.
آشکاریهای موفقیت آمیز که آنها توصیف کردند ، همه یک چیز مشترک داشتند: رهبران مالی که ضمن حفظ استانداردهای دقت ، از نواقص راحت بودند.
همانطور که احسان خاطرنشان کرد: “امور مالی و حسابداران نبودند … ما این شیوه زندگی را انتخاب نکردیم تا خطر کنیم.” اما شرکت هایی که با هوش مصنوعی در امور مالی پیروز می شوند ، شرکت هایی هستند که مدیران مالی آنها آموخته اند که ضمن حفظ تحمل صفر در برابر خطاهای صحت ، خطرات نوآوری در معرض خطر را محاسبه کنند.
meta-wirk: نقش افسر مالی نمی میرد – این به دو آهنگ تقسیم می شود:
- مدیران مالی سنتی این تمرکز بر صحت ، رعایت و ارتباط ذینفعان است
- CFO برای اتوماسیون که در حالی که استانداردهای سنتی را حفظ می کنند ، معاملات مالی اول را ایجاد می کنند
برندگان کسانی خواهند بود که می توانند هر دو را انجام دهند.
https://www.youtube.com/watch؟v=K48EAJS4UPO
